Phenquestions
Não é nenhuma surpresa, então, que tantas pessoas estejam considerando entrar no fascinante mundo dos algoritmos de computador que melhoram automaticamente com a experiência. Se você está entre eles, ou se deseja apenas deixar de lado o exagero e entender do que realmente se trata o aprendizado de máquina, nossa seleção dos 20 melhores livros didáticos de aprendizado de máquina pode ajudá-lo a alcançar seus objetivos.
Artificial Intelligence: A Modern Approach (4ª Edição) por Peter Norvig e Stuart J. Russell
Disponível: na Amazon
Publicados: 2020
Contagem de páginas: 1136
Decidir com qual livro de aprendizado de máquina começar não foi difícil porque Artificial Intelligence: A Modern Approach é recomendado para estudantes por universidades em todo o mundo. Agora em seus 4º edição, o livro faz um trabalho fantástico ao introduzir o campo da inteligência artificial (aprendizado de máquina é um subconjunto da IA) para iniciantes e também cobre uma ampla gama de tópicos de pesquisa relacionados, fornecendo referências úteis para estudos posteriores. De acordo com seus autores, este grande livro deve levar cerca de dois semestres para cobrir, então não espere que seja uma leitura rápida.
Reconhecimento de padrões e aprendizado de máquina por Christopher M. Bispo
Disponível: na amazon
Publicados: 2011
Contagem de páginas: 738
Você pode pensar em Pattern Recognition and Machine Learning de Christopher M. Bishop como um curso introdutório gentil (pelo menos no que diz respeito aos livros didáticos de aprendizado de máquina) à teoria por trás do aprendizado de máquina. O livro inclui mais de 400 exercícios que são classificados de acordo com sua dificuldade, e muito mais material adicional está disponível em seu site. Só não espere saber como aplicar a teoria que o livro ensina quando chegar à última página - existem outros livros para isso.
Deep Learning por Goodfellow et. al
Disponível: na amazon
Publicados: 2016
Contagem de páginas: 800
Se você pedisse a Elon Musk para recomendar um livro sobre aprendizado de máquina, este é o que ele recomendaria. Ele uma vez disse que Deep Learning é o único livro completo sobre o assunto. O livro cobre tudo, desde a base matemática e conceitual às técnicas de aprendizagem profunda líderes da indústria e as perspectivas de pesquisa mais recentes. Recomendamos que você obtenha a versão eletrônica porque o Deep Learning é famoso por sua baixa qualidade de impressão.
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition por Hastie, Tibshirani e Friedman
Disponível: na amazon
Publicados: 2016
Contagem de páginas: 767
Não deixe o título deste livro intimidar você. Se você deseja realmente entender o aprendizado de máquina e aplicá-lo para resolver problemas difíceis, precisa se acostumar a ler livros que não parecem muito acessíveis. Mesmo que o livro tenha uma abordagem estatística decisiva, você não precisa ser um estatístico para lê-lo, porque ele enfatiza conceitos em vez de matemática.
Aprendizado de máquina prático com Scikit-Learn, Keras e TensorFlow: conceitos, ferramentas e técnicas para construir sistemas inteligentes (2WL Edição) por Aurélien Géron
Disponível: na amazon
Publicados: 2019
Contagem de páginas: 856
Scikit-Learn, Keras e TensorFlow são três bibliotecas populares de aprendizado de máquina, e este livro se concentra em como eles podem ser usados para criar programas de aprendizado de máquina que resolvem problemas reais. Graças à natureza dessas bibliotecas para iniciantes, é necessário um mínimo de conhecimento teórico básico para ler este livro, tornando-o excelente para aqueles que desejam obter uma compreensão intuitiva do aprendizado de máquina criando algo útil.
Noções básicas sobre aprendizado de máquina: da teoria aos algoritmos de Shai Shalev-Shwartz e Shai Ben-David
Disponível: na Amazon
Publicados: 2014
Contagem de páginas: 410
Muitos livros sobre aprendizado de máquina são difíceis de ler porque seus autores não conseguem se colocar no lugar de alguém novo na área, mas não este aqui. Compreender o aprendizado de máquina começa com uma introdução clara ao aprendizado de máquina estatístico. Em seguida, conecta os conceitos teóricos a algoritmos práticos sem ser nem muito prolixo nem muito vago. Independentemente de querer atualizar seus conhecimentos ou embarcar em uma jornada ao longo da vida na indústria, não hesite em pegar este livro-texto.
Aprendizado de máquina: uma perspectiva probabilística de Kevin P. Murphy
Disponível: na Amazon
Publicados: 2012
Contagem de páginas: 1104
Como o título deste livro sugere, esta introdução ao aprendizado de máquina depende de modelos probabilísticos para detectar padrões em dados e usá-los para fazer previsões sobre dados futuros. O livro é escrito em um estilo agradável e informal e faz grande uso de ilustrações e exemplos práticos. Os modelos descritos foram implementados usando Probabilistic Modeling Toolkit, que é um pacote de software MATLAB que você pode baixar da Internet. Infelizmente, o kit de ferramentas não é mais compatível porque a nova versão deste livro usará Python em seu lugar.
Teoria da Informação, Inferência e Algoritmos de Aprendizagem por David J. C. MacKay
Disponível: na Amazon
Publicados: 2003
Contagem de páginas: 640
Sim, este livro foi lançado há quase 20 anos, mas isso não o torna menos relevante hoje. Afinal, o aprendizado de máquina não é tão jovem quanto o recente hype em torno dele pode sugerir. O que torna a Teoria da Informação, Inferência e Algoritmos de Aprendizagem de David J. C. MacKay tão atemporal é sua abordagem multidisciplinar que fornece amplas conexões entre diferentes campos. Por si só, não é muito útil porque não tem exemplos práticos suficientes, mas funciona muito bem como um livro introdutório.
Uma introdução ao aprendizado estatístico: com aplicativos em R por Gareth M. James, Trevor Hastie, Daniela Witten e Robert Tibshirani
Disponível: na Amazon
Publicados: 2013
Contagem de páginas: 440
Você pode pensar em An Introduction to Statistical Learning como uma alternativa mais acessível para The Elements of Statistical Learning, que requer conhecimento avançado de estatística matemática. Para terminar este livro, você deve estar perfeitamente bem com um diploma de bacharel em matemática ou estatística. Em suas 440 páginas, os autores fornecem uma visão geral do campo do aprendizado estatístico e apresentam importantes técnicas de modelagem e previsão, completas com seus aplicativos.
O livro de aprendizado de máquina de cem páginas, de Andriy Burkov
Disponível: na Amazon
Publicados: 2019
Contagem de páginas: 160
Considerando que a maioria dos livros listados neste artigo tem quase mil páginas, este livro fino, que começou como um desafio no LinkedIn, explica muito em apenas uma centena de páginas. Uma das razões pelas quais o livro de aprendizado de máquina de cem páginas se tornou um sucesso instantâneo é sua linguagem simples, que é um afastamento bem-vindo de trabalhos acadêmicos rígidos. Recomendamos este livro para engenheiros de software que acreditam que poderiam utilizar as ferramentas de aprendizado de máquina disponíveis, mas não sabem por onde começar. Dito isso, o livro pode ser apreciado por qualquer pessoa interessada em aprendizado de máquina porque enfatiza os conceitos sobre o código.
Introdução ao aprendizado de máquina com Python: um guia para cientistas de dados por Andreas C. Müller e Sarah Guido
Disponível: na Amazon
Publicados: 2016
Contagem de páginas: 400
Se você é fluente em Python e gostaria de começar com o aprendizado de máquina criando soluções práticas para problemas reais, este é o livro certo para você. Não, você não aprenderá muita teoria, mas todos os conceitos fundamentais são bem cobertos e existem muitos outros livros que cobrem o resto. Para obter o máximo da Introdução ao aprendizado de máquina com Python, você deve ter pelo menos alguma familiaridade com as bibliotecas NumPy e matplotlib.
Modelagem Preditiva Aplicada por Max Kuhn e Kjell Johnson
Disponível: na Amazon
Publicados: 1ª ed. 2013, Corr. 2ª impressão 2018
Contagem de páginas: 613
Este livro fornece uma introdução aos modelos preditivos, que usam dados e estatísticas para prever resultados com modelos de dados. Começa com o processamento de dados e continua com técnicas modernas de regressão e classificação, sempre enfatizando problemas de dados reais. Você pode implementar facilmente todos os modelos explicados no livro graças ao código R fornecido, que mostra exatamente o que você precisa fazer para terminar com uma solução funcional.
Aprendizado profundo com Python por François Chollet
Disponível: na Amazon
Publicados: 2017
Contagem de páginas: 384
Você já deve estar familiarizado com o autor deste livro de aprendizado de máquina porque ele é responsável por uma biblioteca de rede neural de código aberto chamada Keras, sem dúvida a biblioteca de aprendizado de máquina mais popular escrita em Python. Dadas essas informações e o título do livro, não deveria ser surpresa para você saber que é o melhor curso intensivo de Keras disponível. As técnicas práticas são priorizadas acima da teoria, mas isso significa apenas que você pode resolver tarefas sofisticadas de aprendizado de máquina em apenas algumas semanas.
Aprendizado de máquina por Tom M. Mitchell
Disponível: na Amazon
Publicados: 1997
Contagem de páginas: 414
Publicado em 1997, este livro apresenta todos os tipos de algoritmos de aprendizado de máquina em uma linguagem que todos os graduados em CS devem ser capazes de entender. Se você é o tipo de pessoa que precisa ter um amplo entendimento de um determinado tópico antes de se sentir confortável em mergulhar profundamente nele, você vai adorar a forma como as informações neste livro são apresentadas. Só não espere aprendizado de máquina por Tom M. Mitchell é um guia prático porque não é isso que este livro deveria ser.
Criando aplicativos com tecnologia de aprendizado de máquina: indo da ideia ao produto por Emmanuel Ameisen
Disponível: na Amazon
Publicados: 2020
Contagem de páginas: 260
Uma coisa é entender os modelos de aprendizado de máquina, outra totalmente diferente é saber como colocá-los em produção. Este livro relativamente pequeno de Emmanuel Ameisen explica exatamente isso, acompanhando você em cada etapa do processo, desde a ideia inicial até o produto implantado. A criação de aplicativos com tecnologia de aprendizado de máquina pode ser recomendada para cientistas de dados e engenheiros de ML que dominam a teoria, mas ainda precisam aplicá-la no setor.
Aprendizagem por Reforço: Uma Introdução (2ª Edição) por Richard S. Sutton, Andrew G. Barto
Disponível: na Amazon
Publicados: 2018
Contagem de páginas: 552
Aprendizagem por reforço é uma área de aprendizagem de máquina preocupada com o treinamento de modelos de aprendizagem de máquina para realizar ações em um ambiente complexo e incerto para maximizar a quantidade total de recompensa recebida. Se isso parece interessante para você, não hesite em comprar este livro porque ele é amplamente considerado a Bíblia do assunto. A segunda edição inclui muitas mudanças estruturais e de conteúdo importantes, portanto, faça-o se possível.
Aprendendo com os dados de Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin.
Disponível: na Amazon
Publicados: 2012
Contagem de páginas: 213
Learning From Data é uma introdução curta, mas relativamente completa, ao aprendizado de máquina e suas aplicações práticas em finanças, comércio, ciências e engenharia. O livro é baseado em mais de uma década de material de ensino, que os autores destilaram a uma seleção de tópicos centrais que todos os interessados no assunto devem entender. É ótimo para iniciantes que não têm muito tempo para estudar a teoria do aprendizado de máquina, especialmente se ler junto com a série de palestras de Yaser no YouTube.
Redes neurais e aprendizado profundo: um livro de Charu C. Aggarwal
Disponível: na Amazon
Publicados: 2018
Contagem de páginas: 497
As redes neurais são uma forma de fazer aprendizado de máquina, e este livro pode ajudar você a entender a teoria por trás delas. Assim como o aprendizado de máquina em geral, este livro é matematicamente intenso, então não espere ir muito longe se sua matemática estiver enferrujada. Dito isso, o autor faz um ótimo trabalho explicando a matemática por trás de todos os exemplos fornecidos e conduzindo o leitor por vários cenários intrincados.
Aprendizado de máquina para iniciantes absolutos: uma introdução ao inglês simples (2WL Edição) por Oliver Theobald
Disponível: na Amazon
Publicados: 2017
Contagem de páginas: 157
Se você tem interesse em aprendizado de máquina, mas não necessariamente se sente confortável lendo longos livros sobre o assunto, você pode preferir este livro para iniciantes, que fornece uma introdução prática e de alto nível à linguagem de máquina usando o inglês simples. Ao final deste livro, você saberá como prever os valores da casa usando seu primeiro modelo de aprendizado de máquina criado em Python.
Aprendizagem profunda generativa: máquinas de ensino para pintar, escrever, compor e tocar por David Foster
Disponível: na Amazon
Publicados: 2019
Contagem de páginas: 330
Muito foi escrito e dito sobre redes adversárias geradoras (GANs), um dos tópicos mais quentes no campo do aprendizado de máquina hoje. Se você quiser entender como eles e outros modelos generativos de aprendizagem profunda funcionam nos bastidores, este livro de David Foster é um excelente ponto de partida, contanto que você tenha experiência em codificação em Python.
